Φ-lab@Sweden för Edge Learning i rymden

Φ-lab(@)Sweden syftar till att samla industri, offentlig sektor, entreprenörer, investerare och forskare för att stärka de europeiska innovationsaktiviteterna för rymdtillämpningar och rymdindustrisektorn inom jordobservation och AI. Laboratoriet kompletterar andra svenska resurser som Swedish Space Data Lab, etablerat genom samarbete mellan Swedish National Space Agency, Luleå University of Technology, RISE, och AI Sweden.

AI Sweden och Φ-lab@Sweden

I en nära framtid kommer många rymdrelaterade tillämpningar att behöva teknik som möjliggör AI ombord. Φ-lab@Sweden avser att utforska innovativa sätt att träna AI-modeller i rymden med tillgång till hårdvara från flera av AI Swedens partners, till exempel en utvecklingsversion av hårdvara som imiterar uppställningen i en satellitkonstellation. Tillgång till verklig hårdvara minskar klyftan mellan experiment i labbet och verkligheten i rymden. När forskare och innovatörer kan experimentera med olika hårdvara, ramverk och verktyg accelererar det processen från idé till effekt.

Att använda AI i rymden innebär att många utmanande uppgifter kan utföras snabbare, mer exakt, och i större skala än traditionella metoder. Möjliga användningsfall för AI och satellitdata innefattar att identifiera miljöincidenter som översvämningar, algblooms, och bränder, eller mänskliga aktiviteter som olagligt fiske, avskogning, föroreningar, och mer.

Varför edge learning i rymden?

Idag tränas AI-modeller genom att överföra så mycket data som möjligt från sensorer till en central lagrings- och beräkningsplats. Generellt sett, ju mer data, desto bättre kvalitet på den resulterande modellen. Men, i takt med att antalet satelliter ökar, kommer den tillgängliga bandbredden för datatransfer att bli allt mindre. Således förväntas dataöverföringskostnaderna stiga, det kommer att ta längre tid att överföra tillräcklig data till Jorden för att träna modeller, och modellerna kommer att vara mindre exakta om mindre data överförs.

Edge learning (även känt som decentralized learning, federated learning, eller swarm learning) är en teknologi som har potentialen att revolutionera utvecklingen av AI för rymdapplikationer genom att lösa dessa utmaningar. Detta skulle spara både pengar och resurser eftersom det inte finns något behov att skicka stora mängder data till jorden.

Vad är Φ-lab?

Som en del av Boost Green and Digital Commercialisation-prioriteten i dess Agenda 2025 strategi och byggande på erfarenheten av det befintliga Φ-lab @ESRIN med dess fokus på att leverera transformativa innovationer avsedda för marknadsadoption, skapar ESA ett dynamiskt nätverk av Φ-labs över ESA och Europa. Φ-lab @Sweden är det första att etableras inom detta större nätverk.

More about the ESA Φ-lab

More about ESRIN

Φ-lab@Sweden kommer att samla många typer av data som relaterar till olika typer av användningsfall, samt en rad hårdvara och ramverk. Dessa kommer att utgöra en grund för att bedriva tillämpad forskning.

Modeller är generellt tänkta att vara förmedlare av verkligheten. Satellitkonstellationer kommer att använda edge learning för att träna AI att utforska autonomi och beslutsfattande ombord för jordobservation. Forskare i Φ-lab @Sweden använder simuleringar för att modellera ombordsbegränsningar, och tillför verklighet under edge learning.

Engagera dig

AI Swedens partners som har ett användningsfall eller de partners som vill bidra till pågående projekt kan engagera sig i Φ-lab@Sweden. Kontakta Chiara Ceccobello om du vill lära dig mer om Φ-lab@Sweden och hur du kan engagera dig.

För mer information, kontakta